CN112668477A - 一种高危地区特征检测识别方法及智能识别系统 - Google Patents
一种高危地区特征检测识别方法及智能识别系统 Download PDFInfo
- Publication number
- CN112668477A CN112668477A CN202011590089.3A CN202011590089A CN112668477A CN 112668477 A CN112668477 A CN 112668477A CN 202011590089 A CN202011590089 A CN 202011590089A CN 112668477 A CN112668477 A CN 112668477A
- Authority
- CN
- China
- Prior art keywords
- risk
- module
- component
- area
- air quality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 55
- 239000000809 air pollutant Substances 0.000 claims abstract description 26
- 231100001243 air pollutant Toxicity 0.000 claims abstract description 26
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 25
- 231100000719 pollutant Toxicity 0.000 claims abstract description 25
- 238000003707 image sharpening Methods 0.000 claims abstract description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims description 56
- 238000012549 training Methods 0.000 claims description 39
- 239000013598 vector Substances 0.000 claims description 30
- 238000009826 distribution Methods 0.000 claims description 18
- 238000003066 decision tree Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 241000282414 Homo sapiens Species 0.000 claims description 9
- 230000003321 amplification Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 239000000356 contaminant Substances 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 2
- 238000012876 topography Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 6
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 102000003712 Complement factor B Human genes 0.000 description 1
- 108090000056 Complement factor B Proteins 0.000 description 1
- 101100285899 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) SSE2 gene Proteins 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000004162 soil erosion Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- CCEKAJIANROZEO-UHFFFAOYSA-N sulfluramid Chemical group CCNS(=O)(=O)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)F CCEKAJIANROZEO-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明属于高危地区特征检测识别技术领域，公开了一种高危地区特征检测识别方法及智能识别系统，所述高危地区特征检测智能识别系统包括：地貌影像采集模块、空气质量检测模块、震动检测模块、降雨量检测模块、中央控制模块、图像锐化模块、污染物浓度估计模块、风险阈值判断模块、高危风险评级模块、警报模块、显示模块。本发明通过图像锐化模块大大提高图像清晰度；同时，通过污染物浓度估计模块引入地形特征，可更好捕捉空气污染物浓度在不同类型地理区域的变化规律，特别是森林、水域、沙漠等特殊地形地理区域中的空气污染物浓度变化规律；引入深层地形特征，通过转换和组合原始地形特征可有效的提高模型性能。
Description
技术领域
本发明属于高危地区特征检测识别技术领域，尤其涉及一种高危地区特征检测识别方法及智能识别系统方法。
背景技术
地质灾害以地质动力活动或地质环境异常变化为主要成因的自然灾害。在地球内动力、外动力或人为地质动力作用下,地球发生异常能量释放、物质运动、岩土体变形位移以及环境异常变化等，危害人类生命财产、生活与经济活动或破坏人类赖以生存与发展的资源、环境的现象或过程。不良地质现象通常叫做地质灾害，是指自然地质作用和人类活动造成的恶化地质环境，降低了环境质量，直接或间接危害人类安全，并给社会和经济建设造成损失的地质事件。地质灾害是指，在自然或者人为因素的作用下形成的，对人类生命财产、环境造成破坏和损失的地质作用(现象)。如崩塌、滑坡、泥石流、地裂缝、地面沉降、地面塌陷、岩爆、坑道突水、突泥、突瓦斯、煤层自燃、黄土湿陷、岩土膨胀、砂土液化，土地冻融、水土流失、土地沙漠化及沼泽化、土壤盐碱化，以及地震、火山、地热害等。然而，现有高危地区图像在锐化后的图像中由于各分量边缘信息锐化后强度不一致，特别是锐化强度较大的时候，往往会产生彩色的噪声边缘，影响高危地区图像清晰度；同时，对空气污染物浓度估计是没有考虑地形特征；对原始特征进行转换和组合可有效提高模型的性能，但现有空气污染物浓度估计方法只是直接使用原始特征建立模型；训练数据缺乏多样性。
综上所述，现有技术存在的问题是：现有高危地区图像在锐化后的图像中由于各分量边缘信息锐化后强度不一致，特别是锐化强度较大的时候，往往会产生彩色的噪声边缘，影响高危地区图像清晰度；同时，对空气污染物浓度估计是没有考虑地形特征；对原始特征进行转换和组合可有效提高模型的性能，但现有空气污染物浓度估计方法只是直接使用原始特征建立模型；训练数据缺乏多样性。
发明内容
针对现有技术存在的问题，本发明提供了一种高危地区特征检测识别方法及智能识别系统。
本发明是这样实现的，一种高危地区特征检测智能识别方法，所述高危地区特征检测识别方法包括以下步骤：
步骤一，通过地貌影像采集模块利用无人机摄像设备采集高危地区地貌影像；通过空气质量检测模块利用空气检测器检测高危地区空气质量；通过震动检测模块利用震动检测器检测高危地区震动数据；通过降雨量检测模块利用雨量计检测高危地区降雨量数据；中央控制模块通过图像锐化模块利用图像锐化程序对采集的地貌影像进行存储；通过地址偏移方式将缓冲区内图像数据载入CPU的xmm寄存器；
步骤二，通过左右移位方式从载入的图像数据中分离出A分量、G分量、R分量和B分量，并通过分离出的R分量和B分量减去G分量获得通道差分分量；提取G分量中的高频分量；对G分量高频部分进行增益放大，得到放大后的G分量中的高频分量；对G分量中的高频分量进行阈值收缩，得到阈值收缩后的G分量中的高频分量；对阈值收缩后的G分量中的高频分量进行增益缩小，得到增益缩小后的G分量中的高频分量；
步骤三，调整增益缩小后的G分量中的高频分量，获得增强后的G分量中的高频分量；增强后的G分量中的高频分量与原始G分量相加得到锐化后的G分量；将锐化后的G分量与通道差分分量进行求和，得到锐化后的R分量和B分量；通过寄存器移位将A分量以及锐化后的R分量、G分量和B分量进行交错排列，写入输出缓冲区而后输出；得到锐化处理后的地貌影像；通过污染物浓度估计模块利用估计程序对高危地区空气污染物浓度进行估计；
步骤四，通过风险阈值判断模块利用判断程序根据检测的数据进行风险阈值判断；通过高危风险评级模块利用评级程序根据判断结果进行评定高危地区风险等级：根据相关标准规范和实际的历史生产数据，从人的因素B1、物的因素B2、管理因素B3、环境因素B4共4个方面对高危地区的特征指标进行甄别和筛选，并将其致危因子进行标准化处理，形成危险评价指标体系；并通过构造两级判断矩阵、使用层次分析法获得各级指标的权重向量，构建致危因子的危险可能性隶属度函数；
所述获得各级指标的权重向量包括：
首先，按矩阵列进行归一化，其公式为：
其次，将归一化后的矩阵按行进行相加，其公式为：
最后，正规化处理，则权重向量为：
步骤五，依据致危因子的危险可能性隶属度函数，结合各级指标权重向量，利用二级模糊综合评价模型进行危险可能性定量计算，将计算结果与危险可能性评定标准进行对照比较，获得危险可能性评价结果；再结合步骤四得到的判断结果通过所述风险等级评估矩阵图确定高危地区风险等级；通过警报模块利用警报器根据风险等级进行警报通知；通过显示模块利用显示器显示地貌影像、空气质量、震动数据、降雨量、污染物浓度估计结果、风险阈值判断结果、高危风险等级。
进一步，所述提取G分量中的高频分量的过程，包括：
通过滤波模板卷积的形式来提取G分量中的高频分量h(i,j)，计算方法如下：
h(i,j)＝fG(i,j)*s(u,v)
其中，fG(i,j)表示图像中的G分量；s(u,v)表示卷积模板，为：
在s(u,v)中，负数通过减法指令实现，正数通过加法指令实现，且放大2倍采用寄存器左移1位实现，放大8倍通过寄存器左移3位实现。
进一步，所述污染物浓度估计方法如下：
(1)通过无人机摄像设备采集高危地区地图；解析地图，构建自然地形地理形状数据库；
(2)根据空气质量监测站点所在区域的地形分布，对高危地区空气质量监测站点进行聚类；
(3)给定某一地区，基于空气质量监测站点聚类对其现有空气质量监测站点进行扩充，构造训练样本集；
(4)计算原始地形特征：根据当前区域地形分布，计算本地地形特征；根据周边空气质量监测站点地形分布，计算k近邻地形特征；得到原始地形特征；
(5)基于集成决策树模型，计算深层地形特征；
其中，所述计算深层地形特征的方法如下：基于原始地形特征向量，采用集成决策树算法，从训练样本集D中训练一个包含T颗决策树的模型；对D中每个训练样本si，将其对应的原始地形特征向量tv(si)输入至每颗决策树，则si会根据其原始地形特征向量的取值到达每颗决策树的某个叶子节点；并采用onehot编码将si到达的每个叶子节点编码为深层特征dv(si)；训练空气污染物浓度回归模型，利用训练得到的空气污染物浓度回归模型实现空气污染物浓度估计。
进一步，所述训练空气污染物浓度回归模型的方法为基于多元线性回归算法从训练样本集D中训练一个回归模型，其中D中每个训练样本si可被表示为(fv(si),con(si))，fv(si)＝<tv(si),dv(si)>；其中，con(si)为样本si的空气污染物浓度的真实值。
进一步，所述解析地图，构建自然地形地理形状数据库的方法为：
对地图进行解析，得到地图上所有的地理形状；保留与自然地形相关的地理形状，并将其分成森林地形、水域地形和沙漠地形三大类，构建得到自然地形地理形状数据库。
进一步，所述对高危地区空气质量监测站点聚类方法如下：
给定一个空气质量监测站点m，以m为中心构造一个边长为w的正方形区域m.G；计算m.G与各类自然地形地理形状交叠部分的面积占比，即森林地形面积占比m.pf、水域地形面积占比m.pw和沙漠地形面积占比m.ps，则m.pn＝1-m.pf-m.pw-m.ps为普通地形面积占比；得到m的地形分布向量为lv(m)＝<m.pf,m.pw,m.ps,m.pn>；
基于欧氏距离度量地形分布向量间的距离，并将高危地区所有空气质量监测站点的地形分布向量输入至K-Means聚类算法，得到K个空气质量监测站点聚类，记为C1,...,CK。
进一步，所述构造训练样本集的步骤如下：
给定某一地区，查询获取该地区范围内的现有空气质量监测站点集MS；确定MS中每个空气质量监测站点所属的空气质量监测站点聚类；
对C1,...,CK中每个没有包含任何MS中空气质量监测站点的空气质量监测站点聚类Ci，从中查询获取距该地区中心位置最近的一个空气质量监测站点，并将其加入MS；给定时间段，在时间段内的每个小时，对MS中每个空气质量监测站点生成一个训练样本，最终得到训练样本集D，共包含n×h个训练样本，其中n为MS中空气质量监测站点的数量，h为时间段跨越的小时数。
本发明的另一目的在于提供一种实施所述高危地区特征检测智能识别方法的高危地区特征检测智能识别系统，所述高危地区特征检测智能识别系统包括：
地貌影像采集模块、空气质量检测模块、震动检测模块、降雨量检测模块、中央控制模块、图像锐化模块、污染物浓度估计模块、风险阈值判断模块、高危风险评级模块、警报模块、显示模块；
地貌影像采集模块，与中央控制模块连接，用于通过无人机摄像设备采集高危地区地貌影像；
空气质量检测模块，与中央控制模块连接，用于通过空气检测器检测高危地区空气质量；
震动检测模块，与中央控制模块连接，用于通过震动检测器检测高危地区震动数据；
降雨量检测模块，与中央控制模块连接，用于通过雨量计检测高危地区降雨量数据；
中央控制模块，与地貌影像采集模块、空气质量检测模块、震动检测模块3、降雨量检测模块、图像锐化模块、污染物浓度估计模块、风险阈值判断模块8、高危风险评级模块、警报模块、显示模块连接，用于控制各个模块正常工作；
图像锐化模块，与中央控制模块连接，用于通过图像锐化程序对采集的地貌影像进行锐化处理；
污染物浓度估计模块，与中央控制模块连接，用于通过估计程序对高危地区空气污染物浓度进行估计；
风险阈值判断模块，与中央控制模块连接，用于通过判断程序根据检测的数据进行风险阈值判断；
高危风险评级模块，与中央控制模块连接，用于通过评级程序根据判断结果进行评定高危地区风险等级；
警报模块，与中央控制模块连接，用于通过警报器根据风险等级进行警报通知；
显示模块，与中央控制模块连接，用于通过显示器显示地貌影像、空气质量、震动数据、降雨量、污染物浓度估计结果、风险阈值判断结果、高危风险等级。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施所述高危地区特征检测智能识别方法。
本发明的另一目的在于提供一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行所述高危地区特征检测智能识别方法。
本发明的优点及积极效果为：本发明通过图像锐化模块采用SSE2指令集技术对图像锐化算法进行并行化处理，因此能够达到图像锐化的实时性要求；在指令操作过程中，数据从内存载入CPU寄存器次数大大减少，且一次指令操作可以加载16个像素点，相应的算法循环次数变为原始的1/16，减少了对存储器的访问次数，大大提高了处理效率；以G通道分量为基准，采用通道差分的方法对图像进行锐化操作，不需要将图像数据转换到YUV格式，减少了计算量，同时对锐化后的图像数据保留了更多的纹理信息，没有彩边产生；大大提高图像清晰度；同时，通过污染物浓度估计模块引入地形特征，可更好捕捉空气污染物浓度在不同类型地理区域的变化规律，特别是森林、水域、沙漠等特殊地形地理区域中的空气污染物浓度变化规律；引入深层地形特征，通过转换和组合原始地形特征可有效的提高模型性能；基于空气质量监测站点聚类扩充训练样本集，可解决某一地区在特殊地形地理区域中没有建设空气质量监测站点的问题。
附图说明
图1是本发明实施例提供的高危地区特征检测识别方法流程图。
图2是本发明实施例提供的高危地区特征检测智能识别系统结构框图。
图3是本发明实施例提供的图像锐化模块锐化流程图。
图4是本发明实施例提供的污染物浓度估计模块估计流程图。
图5是本发明实施例提供的解析地图，构建自然地形地理形状数据库的流程图。
图2中：1、地貌影像采集模块；2、空气质量检测模块；3、震动检测模块；4、降雨量检测模块；5、中央控制模块；6、图像锐化模块；7、污染物浓度估计模块；8、风险阈值判断模块；9、高危风险评级模块；10、警报模块；11、显示模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示，本发明实施例提供的高危地区特征检测识别方法包括以下步骤：
S101，通过地貌影像采集模块利用无人机摄像设备采集高危地区地貌影像；通过空气质量检测模块利用空气检测器检测高危地区空气质量；通过震动检测模块利用震动检测器检测高危地区震动数据；通过降雨量检测模块利用雨量计检测高危地区降雨量数据；
S102，中央控制模块通过图像锐化模块利用图像锐化程序对采集的地貌影像进行锐化处理；
S103，通过污染物浓度估计模块利用估计程序对高危地区空气污染物浓度进行估计；通过风险阈值判断模块利用判断程序根据检测的数据进行风险阈值判断；
S104，通过高危风险评级模块利用评级程序根据判断结果进行评定高危地区风险等级；通过警报模块利用警报器根据风险等级进行警报通知；
S105，通过显示模块利用显示器显示地貌影像、空气质量、震动数据、降雨量、污染物浓度估计结果、风险阈值判断结果、高危风险等级。
如图2所示，本发明实施例提供的高危地区特征检测智能识别系统包括：地貌影像采集模块1、空气质量检测模块2、震动检测模块3、降雨量检测模块4、中央控制模块5、图像锐化模块6、污染物浓度估计模块7、风险阈值判断模块8、高危风险评级模块9、警报模块10、显示模块11。
地貌影像采集模块1，与中央控制模块5连接，用于通过无人机摄像设备采集高危地区地貌影像；
空气质量检测模块2，与中央控制模块5连接，用于通过空气检测器检测高危地区空气质量；
震动检测模块3，与中央控制模块5连接，用于通过震动检测器检测高危地区震动数据；
降雨量检测模块4，与中央控制模块5连接，用于通过雨量计检测高危地区降雨量数据；
中央控制模块5，与地貌影像采集模块1、空气质量检测模块2、震动检测模块3、降雨量检测模块4、图像锐化模块6、污染物浓度估计模块7、风险阈值判断模块8、高危风险评级模块9、警报模块10、显示模块11连接，用于控制各个模块正常工作；
图像锐化模块6，与中央控制模块5连接，用于通过图像锐化程序对采集的地貌影像进行锐化处理；
污染物浓度估计模块7，与中央控制模块5连接，用于通过估计程序对高危地区空气污染物浓度进行估计；
风险阈值判断模块8，与中央控制模块5连接，用于通过判断程序根据检测的数据进行风险阈值判断；
高危风险评级模块9，与中央控制模块5连接，用于通过评级程序根据判断结果进行评定高危地区风险等级；
警报模块10，与中央控制模块5连接，用于通过警报器根据风险等级进行警报通知；
显示模块11，与中央控制模块5连接，用于通过显示器显示地貌影像、空气质量、震动数据、降雨量、污染物浓度估计结果、风险阈值判断结果、高危风险等级。
下面结合具体实施例对本发明的技术方案作进一步说明。
实施例1
本发明实施例提供的高危地区特征检测识别方法如图1所示，作为优选实施例，如图3所示，本发明实施例提供的图像锐化方法如下：
S201，对采集地貌图像进行存储，通过地址偏移方式将缓冲区内图像数据载入CPU的xmm寄存器；通过左右移位方式从载入的图像数据中分离出A分量、G分量、R分量和B分量，并通过分离出的R分量和B分量减去G分量获得通道差分分量；提取G分量中的高频分量；
S202，对G分量高频部分进行增益放大，得到放大后的G分量中的高频分量；对G分量中的高频分量进行阈值收缩，得到阈值收缩后的G分量中的高频分量；对阈值收缩后的G分量中的高频分量进行增益缩小，得到增益缩小后的G分量中的高频分量；调整增益缩小后的G分量中的高频分量，获得增强后的G分量中的高频分量；
S203，增强后的G分量中的高频分量与原始G分量相加得到锐化后的G分量；将锐化后的G分量与通道差分分量进行求和，得到锐化后的R分量和B分量；通过寄存器移位将A分量以及锐化后的R分量、G分量和B分量进行交错排列，写入输出缓冲区而后输出。
本发明实施例提供的提取G分量中的高频分量的过程，包括：
通过滤波模板卷积的形式来提取G分量中的高频分量h(i,j)，计算方法如下：
h(i,j)＝fG(i,j)*s(u,v)
其中，fG(i,j)表示图像中的G分量；s(u,v)表示卷积模板，为：
在s(u,v)中，负数通过减法指令实现，正数通过加法指令实现，且放大2倍采用寄存器左移1位实现，放大8倍通过寄存器左移3位实现。
实施例2
本发明实施例提供的高危地区特征检测识别方法如图1所示，作为优选实施例，如图4所示，本发明实施例提供的污染物浓度估计方法如下：
S301，通过无人机摄像设备采集高危地区地图；解析地图，构建自然地形地理形状数据库；
S302，根据空气质量监测站点所在区域的地形分布，对高危地区空气质量监测站点进行聚类；
S303，给定某一地区，基于空气质量监测站点聚类对其现有空气质量监测站点进行扩充，构造训练样本集；
S304，计算原始地形特征：根据当前区域地形分布，计算本地地形特征；根据周边空气质量监测站点地形分布，计算k近邻地形特征；得到原始地形特征；
S305，基于集成决策树模型，计算深层地形特征；
其中，所述计算深层地形特征的方法如下：基于原始地形特征向量，采用集成决策树算法，从训练样本集D中训练一个包含T颗决策树的模型；对D中每个训练样本si，将其对应的原始地形特征向量tv(si)输入至每颗决策树，则si会根据其原始地形特征向量的取值到达每颗决策树的某个叶子节点；并采用onehot编码将si到达的每个叶子节点编码为深层特征dv(si)；训练空气污染物浓度回归模型，利用训练得到的空气污染物浓度回归模型实现空气污染物浓度估计；
其中，所述训练空气污染物浓度回归模型的方法为基于多元线性回归算法从训练样本集D中训练一个回归模型，其中D中每个训练样本si可被表示为(fv(si),con(si))，fv(si)＝<tv(si),dv(si)>；其中，con(si)为样本si的空气污染物浓度的真实值。
如图5所示，本发明实施例提供的解析地图，构建自然地形地理形状数据库的方法为：
S401，对地图进行解析，得到地图上所有的地理形状；
S402，保留与自然地形相关的地理形状，并将其分成森林地形、水域地形和沙漠地形三大类，构建得到自然地形地理形状数据库。
本发明实施例提供的对高危地区空气质量监测站点聚类方法如下：
给定一个空气质量监测站点m，以m为中心构造一个边长为w的正方形区域m.G；计算m.G与各类自然地形地理形状交叠部分的面积占比，即森林地形面积占比m.pf、水域地形面积占比m.pw和沙漠地形面积占比m.ps，则m.pn＝1-m.pf-m.pw-m.ps为普通地形面积占比；得到m的地形分布向量为lv(m)＝<m.pf,m.pw,m.ps,m.pn>；
基于欧氏距离度量地形分布向量间的距离，并将高危地区所有空气质量监测站点的地形分布向量输入至K-Means聚类算法，得到K个空气质量监测站点聚类，记为C1,...,CK。
本发明实施例提供的构造训练样本集的步骤如下：
给定某一地区，查询获取该地区范围内的现有空气质量监测站点集MS；确定MS中每个空气质量监测站点所属的空气质量监测站点聚类；
对C1,...,CK中每个没有包含任何MS中空气质量监测站点的空气质量监测站点聚类Ci，从中查询获取距该地区中心位置最近的一个空气质量监测站点，并将其加入MS；给定时间段，在时间段内的每个小时，对MS中每个空气质量监测站点生成一个训练样本，最终得到训练样本集D，共包含n×h个训练样本，其中n为MS中空气质量监测站点的数量，h为时间段跨越的小时数。
实施例3
本发明实施例提供的高危地区特征检测识别方法如图1所示，作为优选实施例，本发明实施例提供的通过高危风险评级模块利用评级程序根据判断结果进行评定高危地区风险等级：
根据相关标准规范和实际的历史生产数据，从人的因素B1、物的因素B2、管理因素B3、环境因素B4共4个方面对高危地区的特征指标进行甄别和筛选，并将其致危因子进行标准化处理，形成危险评价指标体系；并通过构造两级判断矩阵、使用层次分析法获得各级指标的权重向量，构建致危因子的危险可能性隶属度函数；
所述获得各级指标的权重向量包括：
首先，按矩阵列进行归一化，其公式为：
其次，将归一化后的矩阵按行进行相加，其公式为：
最后，正规化处理，则权重向量为：
依据致危因子的危险可能性隶属度函数，结合各级指标权重向量，利用二级模糊综合评价模型进行危险可能性定量计算，将计算结果与危险可能性评定标准进行对照比较，获得危险可能性评价结果；再结合步骤四得到的判断结果通过所述风险等级评估矩阵图确定高危地区风险等级。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。
Claims (10)
1.一种高危地区特征检测智能识别方法，其特征在于，所述高危地区特征检测识别方法包括以下步骤：
步骤一，通过地貌影像采集模块利用无人机摄像设备采集高危地区地貌影像；通过空气质量检测模块利用空气检测器检测高危地区空气质量；通过震动检测模块利用震动检测器检测高危地区震动数据；通过降雨量检测模块利用雨量计检测高危地区降雨量数据；中央控制模块通过图像锐化模块利用图像锐化程序对采集的地貌影像进行存储；通过地址偏移方式将缓冲区内图像数据载入CPU的xmm寄存器；
步骤二，通过左右移位方式从载入的图像数据中分离出A分量、G分量、R分量和B分量，并通过分离出的R分量和B分量减去G分量获得通道差分分量；提取G分量中的高频分量；对G分量高频部分进行增益放大，得到放大后的G分量中的高频分量；对G分量中的高频分量进行阈值收缩，得到阈值收缩后的G分量中的高频分量；对阈值收缩后的G分量中的高频分量进行增益缩小，得到增益缩小后的G分量中的高频分量；
步骤三，调整增益缩小后的G分量中的高频分量，获得增强后的G分量中的高频分量；增强后的G分量中的高频分量与原始G分量相加得到锐化后的G分量；将锐化后的G分量与通道差分分量进行求和，得到锐化后的R分量和B分量；通过寄存器移位将A分量以及锐化后的R分量、G分量和B分量进行交错排列，写入输出缓冲区而后输出；得到锐化处理后的地貌影像；通过污染物浓度估计模块利用估计程序对高危地区空气污染物浓度进行估计；
步骤四，通过风险阈值判断模块利用判断程序根据检测的数据进行风险阈值判断；通过高危风险评级模块利用评级程序根据判断结果进行评定高危地区风险等级：根据相关标准规范和实际的历史生产数据，从人的因素B1、物的因素B2、管理因素B3、环境因素B4共4个方面对高危地区的特征指标进行甄别和筛选，并将其致危因子进行标准化处理，形成危险评价指标体系；并通过构造两级判断矩阵、使用层次分析法获得各级指标的权重向量，构建致危因子的危险可能性隶属度函数；
所述获得各级指标的权重向量包括：
首先，按矩阵列进行归一化，其公式为：
其次，将归一化后的矩阵按行进行相加，其公式为：
最后，正规化处理，则权重向量为：
步骤五，依据致危因子的危险可能性隶属度函数，结合各级指标权重向量，利用二级模糊综合评价模型进行危险可能性定量计算，将计算结果与危险可能性评定标准进行对照比较，获得危险可能性评价结果；再结合步骤四得到的判断结果通过所述风险等级评估矩阵图确定高危地区风险等级；通过警报模块利用警报器根据风险等级进行警报通知；通过显示模块利用显示器显示地貌影像、空气质量、震动数据、降雨量、污染物浓度估计结果、风险阈值判断结果、高危风险等级。
2.如权利要求1所述高危地区特征检测智能识别方法，其特征在于，所述提取G分量中的高频分量的过程，包括：
通过滤波模板卷积的形式来提取G分量中的高频分量h(i,j)，计算方法如下：
h(i,j)＝fG(i,j)*s(u,v)
其中，fG(i,j)表示图像中的G分量；s(u,v)表示卷积模板，为：
在s(u,v)中，负数通过减法指令实现，正数通过加法指令实现，且放大2倍采用寄存器左移1位实现，放大8倍通过寄存器左移3位实现。
3.如权利要求1所述高危地区特征检测智能识别方法，其特征在于，所述污染物浓度估计方法如下：
(1)通过无人机摄像设备采集高危地区地图；解析地图，构建自然地形地理形状数据库；
(2)根据空气质量监测站点所在区域的地形分布，对高危地区空气质量监测站点进行聚类；
(3)给定某一地区，基于空气质量监测站点聚类对其现有空气质量监测站点进行扩充，构造训练样本集；
(4)计算原始地形特征：根据当前区域地形分布，计算本地地形特征；根据周边空气质量监测站点地形分布，计算k近邻地形特征；得到原始地形特征；
(5)基于集成决策树模型，计算深层地形特征；
其中，所述计算深层地形特征的方法如下：基于原始地形特征向量，采用集成决策树算法，从训练样本集D中训练一个包含T颗决策树的模型；对D中每个训练样本si，将其对应的原始地形特征向量tv(si)输入至每颗决策树，则si会根据其原始地形特征向量的取值到达每颗决策树的某个叶子节点；并采用onehot编码将si到达的每个叶子节点编码为深层特征dv(si)；训练空气污染物浓度回归模型，利用训练得到的空气污染物浓度回归模型实现空气污染物浓度估计。
4.如权利要求3所述高危地区特征检测智能识别方法，其特征在于，所述训练空气污染物浓度回归模型的方法为基于多元线性回归算法从训练样本集D中训练一个回归模型，其中D中每个训练样本si可被表示为(fv(si),con(si))，fv(si)＝<tv(si),dv(si)>；其中，con(si)为样本si的空气污染物浓度的真实值。
5.如权利要求1所述高危地区特征检测智能识别方法，其特征在于，所述解析地图，构建自然地形地理形状数据库的方法为：
对地图进行解析，得到地图上所有的地理形状；保留与自然地形相关的地理形状，并将其分成森林地形、水域地形和沙漠地形三大类，构建得到自然地形地理形状数据库。
6.如权利要求3所述高危地区特征检测智能识别方法，其特征在于，所述对高危地区空气质量监测站点聚类方法如下：
给定一个空气质量监测站点m，以m为中心构造一个边长为w的正方形区域m.G；计算m.G与各类自然地形地理形状交叠部分的面积占比，即森林地形面积占比m.pf、水域地形面积占比m.pw和沙漠地形面积占比m.ps，则m.pn＝1-m.pf-m.pw-m.ps为普通地形面积占比；得到m的地形分布向量为lv(m)＝<m.pf,m.pw,m.ps,m.pn>；
基于欧氏距离度量地形分布向量间的距离，并将高危地区所有空气质量监测站点的地形分布向量输入至K-Means聚类算法，得到K个空气质量监测站点聚类，记为C1,...,CK。
7.如权利要求3所述高危地区特征检测智能识别方法，其特征在于，所述构造训练样本集的步骤如下：
给定某一地区，查询获取该地区范围内的现有空气质量监测站点集MS；确定MS中每个空气质量监测站点所属的空气质量监测站点聚类；
对C1,...,CK中每个没有包含任何MS中空气质量监测站点的空气质量监测站点聚类Ci，从中查询获取距该地区中心位置最近的一个空气质量监测站点，并将其加入MS；给定时间段，在时间段内的每个小时，对MS中每个空气质量监测站点生成一个训练样本，最终得到训练样本集D，共包含n×h个训练样本，其中n为MS中空气质量监测站点的数量，h为时间段跨越的小时数。
8.一种实施如权利要求1-7所述高危地区特征检测智能识别方法的高危地区特征检测智能识别系统，其特征在于，所述高危地区特征检测智能识别系统包括：
地貌影像采集模块、空气质量检测模块、震动检测模块、降雨量检测模块、中央控制模块、图像锐化模块、污染物浓度估计模块、风险阈值判断模块、高危风险评级模块、警报模块、显示模块；
地貌影像采集模块，与中央控制模块连接，用于通过无人机摄像设备采集高危地区地貌影像；
空气质量检测模块，与中央控制模块连接，用于通过空气检测器检测高危地区空气质量；
震动检测模块，与中央控制模块连接，用于通过震动检测器检测高危地区震动数据；
降雨量检测模块，与中央控制模块连接，用于通过雨量计检测高危地区降雨量数据；
中央控制模块，与地貌影像采集模块、空气质量检测模块、震动检测模块3、降雨量检测模块、图像锐化模块、污染物浓度估计模块、风险阈值判断模块8、高危风险评级模块、警报模块、显示模块连接，用于控制各个模块正常工作；
图像锐化模块，与中央控制模块连接，用于通过图像锐化程序对采集的地貌影像进行锐化处理；
污染物浓度估计模块，与中央控制模块连接，用于通过估计程序对高危地区空气污染物浓度进行估计；
风险阈值判断模块，与中央控制模块连接，用于通过判断程序根据检测的数据进行风险阈值判断；
高危风险评级模块，与中央控制模块连接，用于通过评级程序根据判断结果进行评定高危地区风险等级；
警报模块，与中央控制模块连接，用于通过警报器根据风险等级进行警报通知；
显示模块，与中央控制模块连接，用于通过显示器显示地貌影像、空气质量、震动数据、降雨量、污染物浓度估计结果、风险阈值判断结果、高危风险等级。
9.一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施如权利要求1-7任意一项所述高危地区特征检测智能识别方法。
10.一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1-7任意一项所述高危地区特征检测智能识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011590089.3A CN112668477A (zh) | 2020-12-29 | 2020-12-29 | 一种高危地区特征检测识别方法及智能识别系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011590089.3A CN112668477A (zh) | 2020-12-29 | 2020-12-29 | 一种高危地区特征检测识别方法及智能识别系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112668477A true CN112668477A (zh) | 2021-04-16 |
Family
ID=75411784
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011590089.3A Pending CN112668477A (zh) | 2020-12-29 | 2020-12-29 | 一种高危地区特征检测识别方法及智能识别系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112668477A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113688120A (zh) * | 2021-08-30 | 2021-11-23 | 维沃移动通信有限公司 | 数据仓库的质量检测方法、装置和电子设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104853063A (zh) * | 2015-06-05 | 2015-08-19 | 北京大恒图像视觉有限公司 | 一种基于sse2指令集的图像锐化方法 |
| CN105023067A (zh) * | 2015-08-04 | 2015-11-04 | 环境保护部南京环境科学研究所 | 基于层次分析法-模糊综合评价的化工项目环境风险评价体系 |
| CN107729941A (zh) * | 2017-10-20 | 2018-02-23 | 杭州尚青科技有限公司 | 一种基于深层地形特征的空气污染物浓度估计方法 |
| CN107766999A (zh) * | 2016-08-18 | 2018-03-06 | 中核第四研究设计工程有限公司 | 一种砂岩型铀矿床开发利用的综合评价方法 |
| CN108876184A (zh) * | 2018-06-29 | 2018-11-23 | 中车建设工程有限公司 | 一种高速铁路隧道运营期的安全风险评价及预警方法 |
| CN109615118A (zh) * | 2018-11-23 | 2019-04-12 | 泉州装备制造研究所 | 基于大数据地质灾害防治信息化服务集成控制系统及方法 |
-
2020
- 2020-12-29 CN CN202011590089.3A patent/CN112668477A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104853063A (zh) * | 2015-06-05 | 2015-08-19 | 北京大恒图像视觉有限公司 | 一种基于sse2指令集的图像锐化方法 |
| CN105023067A (zh) * | 2015-08-04 | 2015-11-04 | 环境保护部南京环境科学研究所 | 基于层次分析法-模糊综合评价的化工项目环境风险评价体系 |
| CN107766999A (zh) * | 2016-08-18 | 2018-03-06 | 中核第四研究设计工程有限公司 | 一种砂岩型铀矿床开发利用的综合评价方法 |
| CN107729941A (zh) * | 2017-10-20 | 2018-02-23 | 杭州尚青科技有限公司 | 一种基于深层地形特征的空气污染物浓度估计方法 |
| CN108876184A (zh) * | 2018-06-29 | 2018-11-23 | 中车建设工程有限公司 | 一种高速铁路隧道运营期的安全风险评价及预警方法 |
| CN109615118A (zh) * | 2018-11-23 | 2019-04-12 | 泉州装备制造研究所 | 基于大数据地质灾害防治信息化服务集成控制系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李郎平 等: "基于改进频率比法的川藏铁路沿线及邻区地质灾害易发性分区评价", 《现代地质》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113688120A (zh) * | 2021-08-30 | 2021-11-23 | 维沃移动通信有限公司 | 数据仓库的质量检测方法、装置和电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Vivoni et al. | Generation of triangulated irregular networks based on hydrological similarity | |
| CN111429698A (zh) | 一种地质灾害预警系统 | |
| CN113487123A (zh) | 高光谱监测与gis耦合山洪灾害动态风险评估方法 | |
| CN114036841A (zh) | 基于半监督支持向量机模型的滑坡易发性预测方法及系统 | |
| Malinverni | Change detection applying landscape metrics on high remote sensing images | |
| CN113988643B (zh) | 一种交通线沿线区域的滑坡风险定量评估方法 | |
| AbdelRahman et al. | A GIS Based Model for Land Evaluation Mapping: A Case Study North Delta Egypt. | |
| Chang et al. | Discrete rough set analysis of two different soil-behavior-induced landslides in National Shei-Pa Park, Taiwan | |
| Vu et al. | Multiscale remote sensing of urbanization in Ho Chi Minh city, Vietnam-a focused study of the south | |
| Sushanth et al. | Temporal land-use change analysis of Patiala-Ki-Rao watershed in Shivalik Foot-Hills using Remote Sensing and GIS | |
| CN112668477A (zh) | 一种高危地区特征检测识别方法及智能识别系统 | |
| Juliev et al. | Surface displacement detection using object-based image analysis, Tashkent region, Uzbekistan | |
| Bousta et al. | Weights of evidence method for landslide susceptibility mapping in Tangier, Morocco | |
| LaJoie et al. | Cincinnati & Covington urban development ii: Assessing flooding and landslide susceptibility along the Ohio-Kentucky border | |
| Agarwal et al. | Investigating tropical deforestation using two-stage spatially misaligned regression models | |
| Issa et al. | Modeling the environment with remote sensing and GIS: applied case studies from diverse locations of the United Arab Emirates (UAE) | |
| Fundisi et al. | Built-up area and land cover extraction using high resolution Pleiades Satellite Imagery for Midrand, in Gauteng Province, South Africa | |
| Aqbelaghi et al. | Environmental approach in modelling of urban growth: Tehran City, Iran | |
| Boicu et al. | EVALUATION ON GROUNDWATER RECHARGES CAPACITY USING THE AHP METHOD-CASE STUDY: THE MOLDAVIAN PLAIN | |
| Alberico et al. | PDC-BuilD framework: Assessing building damage probability for pyroclastic currents of a small-size explosive eruption at Campi Flegrei (Southern Italy) | |
| Garg | Evaluating the Impact of Climate Change on the Urban Environment Using Geospatial Technologies in Bhubaneswar, India | |
| Ahmadlou et al. | Multiple land use change modeling using multivariate adaptive regression spline and geospatial information system | |
| Jinsoo et al. | GIS-basedLandslide Susceptibilityanalyses andCross-Validation using a Probabilistic Model on Two Test Areas in Korea | |
| Yang et al. | Enhanced detection of freeze‒thaw induced landslides in Zhidoi county (Tibetan Plateau, China) with Google Earth Engine and image fusion | |
| Prakash et al. | Assessment of Urban Built-Up Volume Using Geospatial Methods: A Case Study of Bangalore |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210416 |